P2P（Peer to Peer）网络贷款是目前一种较新的金融借贷模式,近几年P2P网络金融借贷模式随着行业的飞速发展,平台的规模越来越大,行业内形成整体的借贷平台机构数量也在剧增,成为企业拓宽投资、融资渠道的新的模式,但是,由于目前国内的征信系统搭建的仍然不完善、相关法律法规的不健全以及在传统的借贷业务中所没有的互联网风险等的影响,我国的P2P网络借贷平台存在着较为严重的资金安全问题。目前,最为常见的还款方式是分期还款的方式。网络交易的特有性质为:虚拟性、可远程性、追溯十分困难、信息量庞大,这些新型的特点使得传统的资信审查手段以及风险控制模式无法达到网络交易的要求,使得借款人的违约情况难以得到准确的预测以及监督,缺乏资金安全保障的P2P借贷使得放贷人资金流失风险提高。所以引入更加科学有效的方法解决对信用风险进行有效的识别、甄别客户违约的可能性成为各个网贷平台迫在眉睫。目前,有很多种方法被尝试使用来解决这个问题,但是目前大多数的研究与尝试仍然使用的传统的机器学习算法如经典的支持向量机算法、决策树算法以及逻辑回归算法等。传统的机器学习算法往往受到主观构建的特征的影响,且预测效果往往不够准确。近几年来,随着理论的进步以及计算机硬件计算力的升级,集成学习以及深度学习发展迅猛,受到越来越多的人所关注,在这些算法中,LightGBM作为微软2017年提出的集成学习模型,在很多场景下都取得了不错的成绩,与此同时。同样于2017年提出的DeepFM模型是一种新的能够挖掘特征间内在关联的方法,本文尝试将该深度学习神经网络运用到P2P网贷违约风险预测中,希望能取得不错的模型效果,希望能够在实际生活中服务于P2P网络借贷平台。本文使用的实证数据来自于Lending Club平台,在将原始数据进行一系列处理后使用DeepFM模型以及LightGBM模型对用户违约行为进行预测,并通过参数调优对模型进行优化,从而提升模型预测结果的准确性,最后比对两个模型的预测结果进行比较。结果发现,集成学习模型的平均AUC值为0.88,深度学习模型的平均AUC值为0.89,而对比之下,传统的机器学习Logistic模型的平均AUC值为:0.68,所以相较之下,机器学习模型的效果要比其他两种模型表现要差。所以集成学习、深度学习模型可以更好的应用到P2P平台,在大数据时代下,使用集成学习以及深度学习模型能够更好的帮助P2P平台进行违约风险的评估与预测,且对其他需要进行风控管理的金融行业也有一定的借鉴意义。